榜单
服务器优惠
AI论文
-
1. 深度学习简介
深度学习简介 起源 发展 成功案例 特点 小结 练习 参考文献 深度学习简介 你可能已经接触过编程，并开发过一两款程序。同时你可能读过关于深度学习或者机器学习的铺天盖地的报道，尽管很多时候它们被赋予了更广义的名字：人工智能。实际上，或者说幸运的是，大部分程序并不需要深度学习或者是更广义上的人工智能技术。例如，如果我们要为一台微波炉编写一... -
OneCycleScheduler
callbacks.one_cycle The 1cycle policy What is 1cycle? Basic Training Training with the 1cycle policy class OneCycleScheduler [source] [test] steps [source] [test] Callba... -
dynamic_gru
dynamic_gru dynamic_gru paddle.fluid.layers.dynamic_gru ( input, size, param_attr\=None, bias_attr\=None, is_reverse\=False, gate_activation\=’sigmoid’, candidate_activation\=... -
Deep Learning Frameworks
Running Deep Learning Frameworks on Alluxio Data Challenges of Deep Learning How Alluxio Helps Deep Learning Storage Challenges Using Tensorflow on Alluxio FUSE Running Deep... -
Deep Learning Frameworks
Running Deep Learning Frameworks on Alluxio Data Challenges of Deep Learning How Alluxio Helps Deep Learning Storage Challenges Using Tensorflow on Alluxio FUSE Running Deep... -
HSigmoidLoss
HSigmoidLoss 参数 形状 代码示例 HSigmoidLoss class paddle.nn. HSigmoidLoss ( feature_size, num_classes, weight_attr=None, bias_attr=None, is_custom=False, is_sparse=False, name=None... -
Distributed Training
Distributed Training Under the Hood Try Distributed Training Usage Logging Conclusion Distributed Training One of Caffe2’s most significant features is easy, built-in dist... -
反向传播算法
反向传播算法 练习 反向传播算法 反向传播等式为我们提供了一个计算代价函数梯度的方法。下面让我们明确地写出该算法： 输入 x: 计算输入层相应的激活函数值a^1。 正向传播： 对每个l=2,3,\ldots,L，计算z^l=w^la^{l-1}+b^l和a^l=\sigma(z^l)。 输出误差 \delta^L： 计算向量\delta^L=\... -
Vector Search Quickstart
Vector Search Quickstart Prerequisites Create vector keyspace Use vector keyspace Create vector table Create vector index Load vector data into your database Query vector dat... -
为什么说反向传播算法很高效
为什么说反向传播算法很高效？ 为什么说反向传播算法很高效？ 为什么说反向传播算法很高效？要回答这个问题，让我们来考虑另一种计算梯度的方式。设想现在是神经网络研究的早期阶段，大概是在上世纪50年代或60年代左右，并且你是第一个想到使用梯度下降方法来进行训练的人！但是要实现这个想法，你需要一种计算代价函数梯度的方式。你回想了你目前关于演算的知识，决定试一...